Handelsblatt App
Jetzt 4 Wochen für 1 € Alle Inhalte in einer App
Anzeigen Öffnen
MenüZurück
Wird geladen.

18.10.2022

09:27

KI macht große Fortschritte in vielen Anwendungen, hilft Autos autonom zu fahren oder schlägt Topspieler in Jeopardy oder Poker. Aber in Unternehmen kommen KI-Systeme selten zum Einsatz. Getty Images (4)

Insight Innovation

KI macht große Fortschritte in vielen Anwendungen, hilft Autos autonom zu fahren oder schlägt Topspieler in Jeopardy oder Poker. Aber in Unternehmen kommen KI-Systeme selten zum Einsatz.

Künstliche Intelligenz

Warum kaum ein Unternehmen in Deutschland KI einsetzt

Von: Thomas Jahn, Christof Kerkmann

PremiumKünstliche Intelligenz hat erstaunliche Fortschritte gemacht. Doch die Wirtschaft fremdelt mit der Schlüsseltechnologie. Ein Blick in die Praxis zeigt: zu Recht.

Düsseldorf Was bei IBM als „Mondmission“ begann, endete im Notverkauf. Über Jahre hat der IT-Konzern eine große Sparte für Gesundheitstechnologie aufgebaut, samt hoher Ambitionen. Die intelligente Analyse großer Datenmengen durch Systeme des Unternehmens sollte helfen, seltene Erkrankungen zu diagnostizieren, individuelle Krebstherapien zusammenzustellen – und IBM endlich Wachstum bescheren.

Doch Anfang des Jahres verkaufte der Technologiekonzern einen Teil seiner einst mit viel PR gestarteten Sparte Watson Health, angeblich für nur eine Milliarde Dollar. Es wäre damit nur ein Bruchteil der Investitionen.

Die Gründe für das Scheitern sind vielfältig, einer dürfte die mangelnde praktische Einbindung ins Gesundheitswesen sein: Die Technologie erfüllte die Erwartungen nicht, was Ärzte in den Partnerorganisationen skeptisch werden ließ. Die Künstliche Intelligenz (KI) blieb nutzlos.

KI ist eine beeindruckende Technologie, die in der Quizshow „Jeopardy“ menschliche Masterminds besiegen, Autos durch den Stau lotsen und Texte akkurat in andere Sprachen übersetzen kann. Mancher Forscher vergleicht den Einfluss von KI mit dem der Elektrizität vor 100 Jahren. Laut der Unternehmensberatung Capgemini erzielen Unternehmen, die Entscheidungen auf Basis von Daten treffen, 22 Prozent mehr Gewinn und 70 Prozent mehr Umsatz pro Mitarbeiter als ihre Wettbewerber.

Künstliche Intelligenz laut Bitcom nur selten in Unternehmen genutzt

Doch der Einsatz im Geschäft ist häufig nicht so einfach, wie Technologieanbieter und Unternehmensberater gerne glauben machen. So bekräftigen Manager in einer aktuellen Studie der Branchenvertretung Bitkom die Bedeutung von KI einhellig, aber nur neun Prozent geben an, sie auch einzusetzen. „Ernüchternd“, nennt Verbandspräsident Achim Berg das Ergebnis. International ist das Bild nicht grundlegend anders. IBM hat das auf die harte Tour gelernt.

Einige optimistische Prognosen sind damit hinfällig. Das Marktforschungsunternehmen Forrester erwartet, dass der Umsatz mit KI-Software von 33 Milliarden Dollar im vergangenen Jahr auf 64 Milliarden Dollar im Jahr 2025 wächst – das ist beachtlich, allerdings nicht das gigantische Geschäft, welches einige Experten noch vor wenigen Jahren erwartet haben.

Künstliche Intelligenz Watson von IBM dapd

IBM Watson

IBMs Rechner für künstliche Intelligenz, Watson, schlug die besten Spieler in Jeopardy! – doch bei der Auswertung von Krankendaten verlief die Sache nicht so erfolgreich.

Natürlich sind die großen Krisen der vergangenen Jahre ein schmälender Einfluss. Laut Bitkom-Präsident Berg bleibt im Dauerkrisenmodus „wenig Raum, an neue Technologien und Geschäftsmodelle für die Zukunft zu denken“. Allerdings gibt es auch handfeste Probleme mit der Technologie. Es fehlt an Fachkräften und Daten, teils auch am Geld, wie die Unternehmen dem Bitkom zu Protokoll gaben. Am schwersten wiegen aber IT-Sicherheitsbedenken und die Sorge vor Datenschutzverstößen.

Nicht zuletzt fehlt es an den richtigen Ideen. „Meine wichtigste Aufgabe mit Kunden ist, die richtige Anwendung zu finden“, sagt Eng Lim Goh, KI-Technologiechef von Hewlett Packard Enterprise (HPE). Bei den Kunden gebe es oft falsche Erwartungen: „KI ist weder supersmart, wie einige glauben, noch völlig unfähig, wovon andere ausgehen.“ Nur wer weiß, was die Technologie kann und was nicht, der kann sie sinnvoll einsetzen.

Problem 1: Integration von AI in Geschäftsprozesse

Damit sich der Einsatz der Künstlichen Intelligenz lohnt, müssen die Unternehmen die Technologie in die Geschäftsprozesse integrieren. Das System Watson beeindruckte die Öffentlichkeit mit schlagfertigen Antworten auf Quizfragen, den Ärzten in den Partnerkliniken blieb es letztlich Antworten schuldig.

Die DB Fernverkehr AG will so etwas vermeiden. Das Unternehmen baut ein „Competence Center“ auf, das den Austausch zwischen der Entwicklungsabteilung und dem Rest des Konzerns fördern soll. „Ein wesentlicher Auftrag ist es dabei, den Nutzen und die Möglichkeiten von KI für die Organisation greifbar zu machen“, sagt Axel Schulz, der den Bereich KI-Systeme und Kundenanalysen leitet.

Der KI-Cheftechnologe von HPE: „Mit der einfachsten Anwendung anfangen und nicht mit der, mit der man den Chef beeindrucken will.“

Eng Lim Goh

Der KI-Cheftechnologe von HPE: „Mit der einfachsten Anwendung anfangen und nicht mit der, mit der man den Chef beeindrucken will.“

Verschiedene Austauschformate sollen Mitarbeiter auf Ideen bringen, wie die Technologie ihren Alltag verbessern kann, ob im Werk oder im Bordservice. Nicht die Entwickler sollen definieren, was gut ist – sondern die Kollegen im Schichtbetrieb. „Wenn KI-Modelle nachweislich gute Ergebnisse erzielen, können wir sie so schnell in bestehenden Geschäftsprozessen und Tools verstetigen.“

Beispiel Fahrgastservice: Das Feedback der Kunden – ob per E-Mail oder Twitter – wird bei der Bahn-Tochter automatisch verarbeitet. Algorithmen identifizieren die Themen und extrahieren Inhalte, etwa konkrete Beschwerden oder Anregungen, aus den Texten. Das funktioniere so gut, dass ausgewählte Meinungen in wenigen Minuten an die Zugbegleiter ausgespielt werden können, so Schulz. Und das führe „zu einem deutlich besseren Reiseerlebnis“. Die Daten werden schneller und zielführender aufbereitet, als es die personellen Kapazitäten im Service zulassen.

Damit ist man bei einem Kernthema der KI – Daten. Und gleichzeitig bei einem Kernproblem.

Problem 2: Die richtigen Daten fürs maschinelle Lernen sammeln

Was heute als Künstliche Intelligenz bezeichnet wird, ist ein Sammelsurium verschiedener Technologien. Was die meisten gemeinsam haben: Sie nutzen Daten als Lernstoff, leiten also aus Texten, Fotos oder Vibrationsmustern Regeln ab.

Es gilt die Faustformel: je mehr Daten, desto besser die KI. So braucht es beim Maschinellen Lernen mindestens 10.000 Datenpunkte desselben Vorgangs, beispielsweise von einer Maschine und ihrem Produktionsverhalten. „Viele kleine Firmen verfügen nicht über solche Datensätze“, sagt Katharina Zweig, KI-Expertin und Professorin an der Universität Kaiserslautern.

Selbst wenn es genug Daten gibt, sind sie oft schlecht verfügbar. Daten sind in Unternehmen über zahlreiche Computersysteme verteilt, liegen in unterschiedlichen Speicherformaten vor – auf Serverlaufwerken, lokalen Festplatten, USB-Sticks, CDs, womöglich noch Disketten. Alles, was über die Jahre und Jahrzehnte so anfällt.

Hewlett Packard Enterprise

Datenaufbereitung für HPE und SAS großer Teil der Arbeit

„In noch keinem Unternehmen habe ich die Daten wie aus einem Guss aufbereitet vorgefunden“, sagt Bryan Harris, Technologiechef des Analysesoftwareanbieters SAS. Nicht zuletzt gilt es, fehlerhafte oder doppelte Datensätze auszusortieren. „Die Datenaufbereitung ist der größte Teil unserer Arbeit“, meint Goh, Technologiechef von HPE.

Grafik

Die Daten müssen zudem vollständig sein. Eon plante vor einiger Zeit eine Künstliche Intelligenz, um der Serviceabteilung bei der Bearbeitung von Kundenanliegen zu helfen. Die Idee: den Mitarbeiten auf Basis existierender Fälle einen Teil der Arbeit durch Automatisierung abnehmen und für den Kunden eine Lösung finden.

„Wir konnten auf viele Millionen Fälle zurückgreifen, die jeder für sich richtig in die entsprechende Problemkategorie eingeordnet waren“, sagt Christian Essling, globaler Daten- und Analysechef des Versorgers. Jedoch fehlten Informationen über die individuellen Lösungsschritte. „Da diese Daten allerdings zwingend notwendig waren, mussten wir wieder einen Schritt zurückgehen und den datengenerierenden Prozess anpassen, sodass er neben dem Anliegen und der Einordnung auch die Schritte auf dem Weg zur Lösung mitdokumentierte.“ Selbst wenn die Daten verfügbar und vollständig sind, können Datenschutz oder juristische Gründe die Verwendung erschweren.

Googles „Federated Learning“ soll Datenschutz garantieren

Beispiel Patientendaten: Aus ihnen können Forscher und KI-Modelle wertvolle Hinweise auf die Krankheitsbekämpfung gewinnen. Aber Krankengeschichten darf man nicht so einfach hergeben, es gilt die Privatsphäre zu schützen.

Eine Teillösung erarbeitete Google 2017 mit dem „Federated Learning“. Der Fachbegriff des „Föderalen Lernens“ beschreibt, dass neuronale Netze auf mehreren teilnehmenden Geräten oder „Knoten“ trainiert werden. Dabei bleiben die Datensätze lokal gespeichert, was den Datenschutz garantiert.

Problem 3: Die richtige Anwendung für KI finden

Die Auswahl der Daten ist von großer Wichtigkeit, schon Kleinigkeiten können entscheidend sein. Zum Beispiel bei der Analyse sozialer Netzwerke: Wurde die KI etwa vor einem Monat trainiert, wichtige geopolitische Trends zu erkennen, kann sie nicht auf Weltereignisse reagieren, die erst vor zwei bis drei Wochen passiert sind.

So kann eine Anfang Februar 2022 trainierte Maschine nicht wissen, dass Ende Februar Russland in der Ukraine einmarschiert ist. Entsprechend schlecht kann sie Posts im Netz dazu einordnen. Wenn grundlegende Daten und Annahmen nicht stimmig sind, kann eine KI also schnell zu falschen Schlüssen kommen.

Künstliche Intelligenz Libratus spielt Poker wie „Außerirdische“

Die Gefahr zeigte sich vor fünf Jahren beim Programm „Libratus“: Die KI besiegte vier der besten Pokerspieler der Welt. Eine Befragung der Spieler, was ihnen bei der Spielweise des Computers aufgefallen sei, lautete eine Antwort von allen Beteiligten: Das Programm habe wie ein „Außerirdischer“ gespielt, beispielsweise extrem hohe Summen gesetzt, „wie es kein Mensch tun würde“, sagt Goh, der damals das IT-Projekt mit leitete.

Solch ein Verhalten kann im Geschäftsalltag zum Problem werden. „Die Kunden müssen verstehen, dass eine KI nicht immer genau ist“, sagt Sebastian Bluhm, Chef von der IT-Beratung Plan D. „Es ist nur eine statistische Annäherung.“

Künstliche Intelligenz kann wie hier in einer Studie der Universität Isfahan mit hoher Präzision alle möglichen Apfelsorten und Schäden erkennen – aber auch schnell ausgetrickst werden.

KI-Erkennung

Künstliche Intelligenz kann wie hier in einer Studie der Universität Isfahan mit hoher Präzision alle möglichen Apfelsorten und Schäden erkennen – aber auch schnell ausgetrickst werden.

Eine KI könne beispielsweise in 98 Prozent der Fälle ein Bild korrekt erkennen, sagt HPE-Technikchef Goh. Das ist ihm zufolge mehr, als ein Mensch schafft. Aber es gibt einen wichtigen Unterschied: In den zwei Prozent der Fälle, in denen die KI ein Bild falsch erkennt, kann sie ein im Vergleich zu Menschen fast absurdes Verhalten an den Tag legen.

Goh nennt ein Beispiel: Die KI erkennt ohne Probleme einen Apfel und ein Glas Wasser. Liegt der Apfel aber hinter dem Wasserglas, dann produziert manches neuronale Netz die Antwort „Apfelsaft“. Ein grober Fehler, der einem Menschen nicht unterlaufen würde. Und der bei wichtigen Produktionsentscheidungen ein Vermögen kosten könnte.

Es kommt darauf an, die Anwendung zu finden, bei der die KI ihre Vorteile ausspielen kann. „Das ist eine Herausforderung“, sagt Goh. Eine seiner Empfehlungen: „Mit der einfachsten Anwendung anfangen und nicht mit der, mit der man den Chef beeindrucken will.“ Und dann langsam den Schwierigkeitsgrad und die Anwendungsbreite steigern, beispielsweise mit der Auswertung der Bilder von zehn Kameras anfangen, um dann später auf 100 oder mehr Kameras zu gehen.

Künstliche Intelligenz: Unternehmen sollten Hilfe suchen

Zusammengefasst: klein anfangen und keine Wunderlösung erwarten. KI ist ein komplexe und anstrengende Sache. So betreibt der US-Papierkonzern Georgia-Pacific ganze 15.000 Modelle, um seine Produktion und Maschinen zu kontrollieren und optimieren. Daher sollten sich Unternehmen Hilfe suchen, vor allem kleinere Firmen. „Kleine Unternehmen haben die meisten Probleme mit KI“, sagt Bitkom-Präsident Berg, „ihnen fehlen oft Know-how und technische Kapazitäten“.

Keine Option ist aber laut Berg, den Kopf in den Sand zu stecken: „Künstliche Intelligenz ist eine Schlüsseltechnologie.“

Erstpublikation: 16.10.2022, 13:02 Uhr.

Direkt vom Startbildschirm zu Handelsblatt.com

Auf tippen, dann auf „Zum Home-Bildschirm“ hinzufügen.

Auf tippen, dann „Zum Startbildschirm“ hinzufügen.

×